※本記事は、Min-Yen Kan氏によるAAAI 2026「New Frontiers in IR」ワークショップでの基調講演「Top 5 trends to watch in the future of IR research (and why they are irrelevant)」の内容を基に作成されています。本講演は2026年1月27日、シンガポール・エキスポにて収録されました。ワークショップの詳細情報は https://frontier-ir-workshop.github.io/ でご覧いただけます。スライド資料は https://soc-n.us/270127-top-five-ir 、動画は https://soc-n.us/270127-top-five-ir-yt でご覧いただけます。本記事では、講演の内容を要約しております。なお、本記事の内容は原著作者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルの動画をご視聴いただくことをお勧めいたします。
登壇者紹介 Min-Yen Kan氏(コロンビア大学にてBS、MS、PhDを取得。SACM、SIEEE)は、シンガポール国立大学(NUS)の准教授であり、学部教育担当の副学部長を務めています。Kan氏は計算言語学会(ACL)の活動的なメンバーであり、現在は同学会の倫理委員会の共同議長を務めています。また、Journal of AI Research(JAIR)のサーベイ編集者も務めています。
同氏の研究関心は、デジタルライブラリ、自然言語処理、情報検索に及びます。具体的なプロジェクトとしては、科学的言説分析、事実検証、全文文献マイニング、語彙意味論、そして大規模言語モデルにおける社会倫理的整合性・推論に関する研究などが含まれます。同氏は、Web Information Retrieval / Natural Language Processing Group(WING.NUS、http://wing.comp.nus.edu.sg/)を率いています。
1. 導入:研究の未来を考えるための姿勢
1.1 講演の趣旨とスライド共有、研究室における批判的サーベイ課題と論証の技術
まず、このような講演の機会をいただいたことについて、主催者の皆様に感謝申し上げます。本題に入る前に、スライドの入手方法についてお伝えしておきます。会場にはQRコードを掲示しておりますので、そちらからGoogle Driveにアクセスしていただければ、高解像度版のスライドをダウンロードいただけます。もし途中から入場された方がいらっしゃっても、後ほど同じQRコードを再度お見せしますので、ご安心ください。
今回のフロンティアIRという場をお借りして、IR研究において今後注目されるであろうトレンドとは何か、そして、なぜそれらが実は的外れである可能性があるのか、という点について考える時間を持てることを、私はとても楽しいことだと感じております。基調講演というものは、本来もう少し挑発的であってよいはずです。そのほうが議論として面白くなりますし、私がこれからお話しする内容に有用な示唆があるかどうかは、皆様ご自身で判断していただければと思います。
本題に入る前に、私が自分の研究室でポスドクや博士課程の学生をどのように選考しているかについて、少しお話しさせてください。私が研究室を立ち上げた当初、参加を希望する人が徐々に増えていき、やがて選考のための一定の基準を設ける必要が生じました。そこで私が課している要件の一つが、5ページ以内の批判的サーベイ課題です。この課題では、自分が研究したいと考えている特定の領域において、その未来はどのようなものか、そしてそれがなぜ重要であるのかを論じてもらいます。
ここで重要なのは、これは文献レビューではないということです。文献レビューは、私たちが自分の論文の中で、自分がやろうとしていることを正当化するために書くものです。私はよく、文献レビューというものを、映画におけるクライマックスのようなものだと考えています。つまり、重要な問題を提示し、その問題の解決は方法論が始まって初めて訪れる、という構造です。物語的な観点から見れば、論証をきちんと組み立てることが非常に重要になります。ですから、私が志望する学生やポスドクに問いかけているのは、どの領域が最も重要であり、それをどのように正当化するのかということです。なぜなら、彼らは基本的に4年、5年という博士課程の奨学金を正当化する論証を行っているからです。この研究が人類にとってどれほど貢献するかを論じる必要がありますが、ここで重要なのは、限られた紙幅の中でいかに説得力のある論証ができるかという点です。SIGIRのようなACM形式で10ページ、あるいはトリプルAIのように6ページであっても、3ページの論文に比べればずっと長いスペースです。そして、私たちの多くが実感しているように、短い論文を書くことは長い論文を書くことよりもはるかに難しいものです。近年の長い論文は、付録という形で内容を隠し込むことができるため、非常に長くなりがちで、通常の長い論文として考えたときに、もはや自己完結した論文とは言えないような状態になっています。
私はこうした短い論文を好んで批評します。なぜなら、もし各段落から4語、5語を削ることができれば、それは10ページの論文において1ページ分の余白を生み出すことになり、その分だけ多くの内容を盛り込めるようになるからです。実のところ、私は彼らが何について書くかということ自体にはあまり関心がありません。私が重視しているのは、彼らの論証の質と、それをどれだけ引き締めて書けるかということです。なぜなら、論文から絞り出せる余白が多いほど、そこに込められる情報量、つまりエントロピーが高くなるからです。論理的な論証は非常に重要であり、その論証を補強するために引用を用いる必要がありますが、引用は論証の重みを支えるためのものではなく、あくまで論証を裏付けるものであるべきです。論証の重みそのものは、いかに論じるかという点から生まれるのであり、引用は単に「これは既に実証されている」ということを読者に伝えるためのものにすぎません。
1.2 比喩としての「研究マニフォールド」:粒子としての研究者
この点について、私は昨日別の講演で話した「粒子研究」というたとえを用いて説明したいと思います。少しの間、次のように想像してみてください。私たちは一つの空間、いわばマニフォールドの中にいます。このマニフォールドとは研究のマニフォールドであり、私たちは皆、このマニフォールド上を動く粒子のようなものです。それぞれの粒子には加速度や速度があり、時には粒子同士が結合すること、つまり共著者とともに研究を行うことがあります。そして、まるで粒子加速器における衝突のように、突然一つの観測、すなわち論文が生まれるのです。これは、アイデアがどのように生まれるか、そして私たちの周囲で起きていることをどのように捉えるかを考える一つの方法だと言えます。
このように考えたとき、重要になるのは、他の研究者たちがどの方向に進んでいるのか、彼らの加速度はどうなっているのかを把握することです。ある論文を読んで、その中の将来課題(future work)の部分に目を通すとき、私たちはその論文がある時点における一つの観測にすぎないということを意識する必要があります。しかし、その時間は静止したものではありません。今は2026年ですが、私たちが読んでいるアーカイブ論文は先月投稿されたものであり、その時点で著者たちはすでに次の段階へと研究を進めてしまっている、つまりすでに「古い情報」になっているのです。ですから、私たちは今後どこに向かうべきかを、どうやって判断すればよいのでしょうか。この問いを念頭に置きながら、まずは非常に挑発的なタイトルを掲げた話をお届けしたいと思います。
2. トップ5トレンド(前半):なぜ重要とされるか
2.1 マルチモーダル検索と、検索・生成の協調適応(Co-adapted Retrieval and Generation)
それでは、トップ5を発表したいと思います。そして、その後でなぜそれらが実は的外れなのかをお話しし、最後にまた別のトップ5についても触れたいと思います。まず一つ目は、今朝の講演でも取り上げられていた、マルチモーダル検索です。現在、この分野では多くの研究が進められています。というのも、私たちが扱うモダリティはますます増えているからです。IoTから送られてくるセンサーデータ、動画データ、そして3次元の空間データなど、あらゆる種類のデータが登場しています。そして、これらのデータはいずれも豊かな構成的意味論(compositional semantics)を含んでいるのですが、私たちが用いているベクトル空間モデルや埋め込みシステムは、こうした意味論をうまく扱うようには訓練されていません。これは、埋め込みモデルが意味的な類似性についてはかなりうまく一致を取れる一方で、制約というものを容易に表現する手段を持っていないためです。ベクトル差分という手段はあるものの、それによって構成に関する意味論や、時間に関する制約といったものをうまく表現することはできません。この点については、先ほどのアイシン氏の講演でも触れられていた通りです。
続いて4番目、あるいは3番目に挙げたいのが、検索と生成の協調適応(co-adapted retrieval and generation)です。これは、先ほどのレイ・リン氏の講演でも取り上げられていたテーマです。ここで重要なのは、検索(retrieval)がLLMによる生成プロセスの一部として組み込まれているという点です。そのため、生成後のプロセスを扱う際に、私たちが本当に正しいことをしているのかを問い直す必要のある場面が数多く存在します。特にディープリサーチのような処理、つまり、先ほど紹介されていたようなエージェント的フレームワークについてです。これらは人間のためにエージェントによって利用されるものですが、私たちのIRという研究領域は、ますます人間が主導する形ではなくなっていくと考えられます。なぜなら、人間は突如としてマネージャーのような立場になり、何千ものエージェントという巨大なインフラストラクチャを管理するだけの存在になりつつあるからです。エージェントが指示を生成し、研究マニフォールドを生成し、さらには検証者(verifier)なども生成するようになっており、こうした一連の「競争」がすでに進行しています。
そこで一つの未解決の問いが浮かび上がります。私たちのIR、そして生成の出力を消費するのが他のエージェントであるとき、協調適応された検索にどれほどの価値があるのか、という問いです。私たちは英語でコミュニケーションを取り続けるべきなのでしょうか、それとも、より トークン効率の良いOWLのような形式や、その他のJSON形式でやり取りするべきなのでしょうか。同様に、多様性の価値についても考える必要があります。検索エンジンの最適化を行う際、Googleなどのシステムやエージェントはユーザーがクエリのあらゆる側面を網羅的にカバーできるよう、多様化された結果を提示しようとします。しかし、それは本当に私たちが望んでいることなのでしょうか。もしエージェントが特定の目的を持って動作しているのであれば、先ほどの協調適応された検索と生成の講演にもあったように、生成が全体のプロセスの一部に過ぎず、下流のプロセスを最適化したいのであれば、その多様性はむしろ余計なものになるかもしれません。つまり、私たちは絞り込みを行いたいだけなのに、あえて多くの異なる回答を展開し、それらを整合させるような余分な作業を本当に行う必要があるのか、という疑問です。もちろん、ディープリサーチや長期的な思考、対話といったものはIRにおいて本質的に難しい課題であることは分かっています。私たちはこれまで小さな断片(スニペット)を研究する傾向にありましたが、対話について考える際には、いわゆるロールアウトを行う必要があり、それには検証可能な報酬を伴う強化学習(reinforcement learning with verifiable rewards)などが要求されます。これは、特にデータが十分に存在しない専門的な応用領域において、データそのものをシミュレーションによって生成する必要が生じるためで、今年のトリプルAIをはじめ、昨年の同会議でも多くの発表で見られた傾向です。そこでは、生成されたデータが実際に十分な品質を持っているか、つまりそれが「シルバーデータ」なのか「ブロンズデータ」なのかを判定するためにLLMを判定者(LLM as a judge)として用い、その情報をどのように活用して下流システムの性能を較正するかというバランスが取られています。
2.2 多様性の価値の再検討、敵対的レコメンデーション研究、公平性・説明責任・透明性・公平性(FATE)
二つ目のテーマとして挙げたいのが、まさに今申し上げた多様性の価値です。SIGIRだけでなく、Web関連の会議やRecSysのようなレコメンダーシステムの分野においても、公平性・説明責任・透明性・公平性、いわゆるFATEに関する研究が数多く行われています。これは当然のことだと理解できます。なぜなら、検索結果というものは、ある生成結果がなぜ得られたのかについての証拠、すなわちプロベナンス(provenance)を私たちに提供するものだからです。ここでもまた、人間の判断者に向けた多様性という論点が出てきます。というのも、私たちが下流で利用しようとしている情報が、人間による消費に適したものであるかどうかを確認する必要があるからです。十分な露出(exposure)や関係性、多様性を確保することについて多くの議論がなされていますが、ここでもまた、先ほど述べたように、それが人間ユーザー向けに使われているのか、それとも下流のエージェント向けに使われているのかという観点を踏まえて考え直す必要があります。
さらにもう一つ、非常に重要だと考えているテーマがあります。現在、私の研究室のある学生が取り組んでいるテーマなのですが、レコメンデーションを敵対的な観点から捉え、まだ十分に理解が進んでいないプロセスとして考察するというものです。レコメンドシステムは、今日ではほとんどあらゆるものを左右しています。私たちのもとに届くアーカイブ論文でさえ、もはや検索エンジンによって駆動されているわけではありません。私たちが日々目にする論文、ニュースフィード、そして世界を理解するためのあらゆるレンズについて考えてみてください。そして、これがおそらく学術の世界だけでなく、社会的な場面においても、多くの分極化やその他の問題を引き起こしてきたと言えるでしょう。さらに、これは政治的にも商業的にも非常に大きな価値を持っています。なぜなら、政府や企業がこの情報を操作することができるからです。これは非常に大きな問題であり、私たちはこの種の課題を、先のスライドで触れたFATEの議論と並んで、真剣に懸念すべき事柄として捉えてきました。
この点について、皆さんにケイト・クロフォード氏が2020年頃に行ったNeurIPSの基調講演を思い出していただきたいのですが、彼女はそこでGoogleの画像検索において「CEO」と検索した際の結果を取り上げていました。その結果は、白人男性ばかりが表示されるというものでした。もちろん、Google自体が責められるべきではありません。なぜなら、それは当時の実態、つまりCEOの多くが実際に白人男性であったという現実を反映したものに過ぎなかったからです。しかし、ケイト氏が問いかけたのは、それが果たして社会に見せるべき姿として適切なのか、人々が検索を行う際に、もっと多様な現実を反映した結果を見せるべきではないのか、という点でした。しかし、実際のデータそのものは、当時のCEOがほとんど白人男性であったという事実を示しているにすぎません。つまり、私たちがそこに多様化や露出の調整を加えようとするのであれば、それはレコメンデーションシステムにおいて、実質的に政治的な作業を行っていることになるのです。ケイト・クロフォード氏の言葉を借りれば、私たちは「単に数学をしているだけだ」「最適化をしているだけだ」と言うことはできません。私たちアルゴリズムの設計者は、自分たちがどのような世界を見たいのかについて、選択を行っているのです。そしてこのことは、LLMによるレコメンデーションがますます関わるようになっている今日において、堅牢な逐次的レコメンデーション(sequential recommendation)の研究が極めて重要であることを意味しています。
3. なぜそれらは無関係なのか:マニフォールドの力学と種明かし
3.1 データセット・GitHub公開が生む研究インセンティブの偏り、オルトメトリクス、自動化された研究エージェントの事例
ここで、先ほどお話しした粒子が動き回るマニフォールドの比喩に立ち返りたいと思います。粒子が動き回っているとき、私たちは皆、学者として論文を発表し、世界に対して自らのインパクトを残したいと考えています。このマニフォールドを一つの空間として捉えてみますと、そこには凹凸や曲率があり、何をするかによって、やりやすいこととやりにくいことが決まってきます。たとえば、一人の研究者という粒子として、私には日々使える一定の帯域(バンド幅)があり、その中でどの活動に取り組むかを選択する必要があります。私はこの空間上の一つの点であり、この空間を探索しながら、何が有用なのかを見極めていかなければなりません。
しかし、私たちが特定の種類の活動を行うとき、たとえばデータセットを公開したり、GitHubを公開したりするとき、私たちはちょうどTRECがかつて行っていたように、あるいはSIGIRの共有タスク(shared task)がそうであるように、特定の作業を行いやすくするインセンティブを作り出しています。私はよく自分の学生たちに、そうした共有タスクのようなものを自分で作ってみてはどうかと勧めます。そうすることで、自分の研究に対してより多くの注目を集め、コミュニティからの支援を得やすくなるからです。しかし、これは同時に、この空間の中に一種の偏り(バリアンス)を生み出すことにもなります。私たちは特定の種類の研究を促進する一方で、他の領域への注意を向けにくくしているのです。
ここで問題となるのは、LLMが私たちのためにディープリサーチを行ってくれるのとは異なり、私たち人間の研究者は、このベクトル空間の中を自由に再スタートすることができないという点です。私たちはある領域からスタートし、そこで専門化していき、その空間を動き回る能力には限りがあります。したがって、結果として私たちは、迅速な研究方法論を用いて特定の領域を加速させる一方で、データセットやその他の便利なツールが存在しないために、短期的でない、インパクトのある研究を行うべき他の領域にはたどり着きにくくなってしまうのです。
そして、これは今日という時代において特に重要な問題です。なぜなら、私たちにはこうしたことを容易にする、さまざまな方法論が他にも存在しているからです。ここで、オルトメトリクス(altmetrics)から借用したスライドをご覧いただきたいのですが、これは単なる引用データだけでなく、それ以外のさまざまな指標に着目したものです。このスライドが示しているのは、出版に至るまでの間に、実は数多くの出来事が起きているということです。たとえば、アーカイブへの投稿や特許の出願などがあり、さらにずっと後になってから、政策として実際に制定され、新たなアイデアを生み出し、研究や資金提供を促進していく、というプロセスが存在します。
こうした一連の加速の結果として、私たちは特定の研究領域を優先的に促進してしまうという問題を抱えることになります。アーカイブがあり、GitHubがあり、共有タスクがあるということは、特定の種類の研究を行いやすくする一方で、そうでない研究を行いにくくするのです。そして、多くの点において、私たちはこの構造に対して最適化するように仕向けられています。これはちょうど、現実世界で起きている強化学習のようなものです。なぜなら、私たちはビブリオメトリクス(書誌計量学)を用いて評価を行い、それに合わせて自らを調整することができるからです。「この領域は十分な引用を得られていない、だからこの領域を諦めて別の領域に移ろう」という具合です。
たとえば、あるスライドでは二人の研究者が写っていました。片方は見えないかもしれませんが、そこに写っている人物は実は研究アシスタントであり、これは自動化された実験室の様子です。つまり、実際に「科学者」として機能しているのはその箱、つまり自動化された装置そのものであり、そのアシスタントはただ試薬を補充するためだけにそこにいるのです。この装置自体が、私たちが今日作り出しているような研究エージェントと同じように、閉じたループの中で自律的に、そして非常に迅速に研究を行うことができるのです。
3.2 LLM活用による「平均への回帰」と、提示したトップ5がLLM生成の「フェイク」だったという種明かし
さらに、大規模言語モデルのようなものが登場し、私たちがそれに相談を行うようになると、今度は「平均への回帰」とでも呼ぶべき現象が生じます。というのも、大規模言語モデルとは、人間の知識の集積物にほかならないからです。そのため、私たちがLLMに相談するとき、私たちもまた、コミュニティ全体によって押し進められている、ある種の標準化された結論へと引き寄せられていくことになります。もちろん、IRコミュニティやそのサブコミュニティにとって重要となりうる特定の理解を引き出すために、巧妙なプロンプトを用いない限りは、という条件付きではありますが。
さて、ここで種明かしをしたいと思います。先ほど皆さんにお見せしたあのリストは、実は「フェイク」だったのです。なぜなら、あれは私がこの24時間の間に、私たちが使っているあらゆるLLMを用いて作成したものだからです。LLMを使えば、こうしたことは非常に簡単にできてしまいます。私はLLMに対して、SIGIRやECIR、その他のIR分野の中核となる会議はもちろんのこと、WSDM、Web Conference、CIKM、KDDといった、よりデータベース寄りの周辺的な会議、さらには私自身の専門分野でもあるNLP関連の会議、たとえばACLやEMNLPまで含めた、2025年のすべての採択論文を洗い出すよう指示しました。そのうえで、それらをトピックごとに分類し、IR分野におけるトピック領域のリストを作成するよう研究エージェントに依頼しました。すると案の定、検索、レコメンデーションシステム、評価、データのスケーラビリティといった、いわば「標準的」な項目が返ってきました。さらに、私たちが参加しているこのフロンティアIRという場を主催者が呼びかけた際の文言を見てみても、そこには同じような項目、すなわち課題、モデル、データ、訓練手法、RAGパラダイム、そしてより広範なフロンティアといったものが含まれていました。私は、こうした情報すべてを入力として用い、先ほど皆さんにお見せしたあの5つのトレンドを組み立てたのです。
つまり、こうして振り返ってみると、先ほど私が提示した内容には、実のところあまり多くのエントロピー、すなわち新規性が含まれていなかったということにお気づきいただけるのではないかと思います。あれらは、IRの学会が「次のフロンティアを探せ」と呼びかけたときに誰もが予想するであろう、ごく一般的な項目にすぎなかったのです。つまり、ある意味で、先ほど私がお話しした内容は、それほど本質的なものではなかったということです。そこで、もう一度別のやり方でこの問いに取り組んでみたいと思います。これからお見せする内容は、より人間の意思決定に基づいたものであり、それが先ほどのものよりも高いエントロピーを持っているかどうかは、皆さん自身で判断していただければと思います。私自身、それが正しいと断言するつもりはありませんが、何らかの示唆を得ていただければ幸いです。そして、こうした新たな案を導き出すプロセスは、はるかに広いコンテキストを持つことに基づいています。
4. アンコール:人間の意思決定に基づく新たなトップ5
4.1 ワイドコンテキスト思考とフンボルト型大学モデル(学際性・遅い科学)、ゴール指向の逆算探索と「リープフロッグ」思考法
今日、RAGのモデルというものは、いずれもロングコンテキストを前提として語られています。より多くのトークンを詰め込めるようにする、というのが一般的な発想です。しかし、もしそれができないのであれば、要約を行ってより短いコンテキストに収めるという方法もあります。一方で、ワイドコンテキストというものは、より広い視野を見渡すものです。つまり、IRに関連するトップの領域だけを見るのではなく、他の分野や学問領域、あるいは社会全体といった、より広いコンテキストに目を向けようという考え方です。
これは、大学というものにおけるフンボルト型のモデルにつながる考え方です。ドイツにおけるこの方法論の考え方は、多くの学問分野を一つの場所に集めるというものでした。その理由は、それらが互いにぶつかり合うことによって、私たちが今日「厄介な問題(wicked problems)」と呼んでいるもの、たとえば気候変動、人口過剰、排外主義といった、複数の異なる視点からの理解を必要とする問題に対する解決策を見出せるようにするためです。この意味において、これは「速い科学(fast science)」に対する「遅い科学(slow science)」の一つの実例と考えることができます。先ほどお話ししたアーカイブやGitHubといったものは、迅速な発表や迅速な出版を促進するものでしたが、互いの分野をまたいで真剣に対話を行うということは、非常に難しく、時間のかかることなのです。
こうしたことを踏まえたうえで、速い科学について考えてみますと、私たちは現在地から出発して、先ほどお話ししたような形でロールアウトを行うことができます。これは、私たちが標準的に行っているAIサーチのようなもので、現在の地点から前方へとシミュレーションを進めていくというやり方です。しかし一方で、ゴール指向の状態から出発するというやり方も可能です。人工知能の文脈でもよく言われるように、たとえばチェスであれば「チェックメイト」という最終状態から出発し、そこから逆方向に歩みを進めて解決策を見出すというやり方です。そして、その両者を中間地点で合流させる、いわば双方向探索によって、最終的な望ましい状態に至るための興味深い中継点を見つけ出すこともできます。
こうした考え方を踏まえて、将来のIRの課題について考えるとき、私は皆さんに、一年後や二年後という短いスパンではなく、五年後、あるいは十年後という時間軸で考えてみることをお勧めしたいと思います。この分野はそのときどうなっているでしょうか。解決されているのでしょうか。IRという学問領域が進展していく中で、他にどのようなことがなされるべきなのでしょうか。実は私は、博士課程の学生が入ってきて、あの批判的サーベイに取り組む際にも、同じような問いを投げかけています。私は彼らに、四年後、あなたはすでに博士課程を終え、最も引く手あまたの助教授候補になっていると想像してください、と伝えます。そのとき、あなたは何をしたのでしょうか。どうやってそれほど有名になったのか教えてください、と。つまり、2026年の時点でどのような問題を解決する必要があったからこそ、2030年に卒業する頃には、最も求められる助教授候補になれたのか、ということです。
これが、いわゆる「リープフロッグ(leapfrogging)」ということの意味です。先ほどお見せした粒子のスライドを思い出していただきたいのですが、そこでの考え方は、2026年や2027年に何が生み出されるのかをあらかじめ知っておく必要がある、というものでした。そうすれば、そこから先へと飛躍することができます。たとえば、「2027年には問題Xを解決するためのデータセットが登場するだろう」ということが分かっていれば、それはディープリサーチであれ何であれ、現時点で必要とされていることに対応するものです。しかし、そのデータセットが実際に登場し、私たちがすでにあらゆるデータ拡張を終え、モデルの調整も済ませてしまった後には、その先に何が残されているのか、ということを考える必要があります。つまり、私たちはこうした一種の時系列予測を行わなければならないのですが、もし本当に時系列予測がうまくできるのであれば、私たちは株式市場で大金を稼いでいるはずです。ですから、私は未来に実際に何が起こるのかを断言することはできませんが、それでもこれは実践すべきことだと考えています。なぜなら、これは一種の筋肉のようなものだからです。将来を見通す研究を実践し続ければ、それは上達していきますし、何もないところに信号を見出せるようになっていくのです。
4.2 量子コンピューティングとIR、ブロックチェーンによる真正性・出典管理、埋め込みと構造化知識ベースの統合
それでは、改めて順不同で五つの項目をお示ししたいと思います。まず一つ目は、量子コンピューティングです。これは着実に前進を続けており、大きな進展を見せています。私たちは、この技術がもたらす情報を本当に取り込めるIRのアルゴリズムを持っているでしょうか。私たちにはグローバーのアルゴリズムがあり、これは線形時間以下の探索、つまりサブリニアな検索を約束するものです。文書を線形にスキャンする必要がなく、O(n)の時間をかける必要もなく、平方根のnの時間で答えを見つけることができます。そのためには、クエリと文書の双方を量子的な用語でどのように表現するのか、という新たな表現の計算体系が必要になります。
続いて、ブロックチェーンについてです。誰もがブロックチェーンについて語っていますが、なぜこれが重要なのでしょうか。それは、RAGやLLMが目前に、いや、すでに現実のものとして存在しているためです。これらは文書をその場で生成することができ、情報源そのものを作り出し、さらにはそれを汚染することさえできてしまいます。そうなると、あるものが本当に人間によって実質的に作成されたものかどうかを、どうやって知ることができるでしょうか。その真正性(veracity)をどう確認すればよいのでしょうか。真正性とその網羅性を担保できることは重要です。というのも、メディア報道が私たちの研究の断片や要約を取り上げる際に、意図的ではないにせよ、私たちが伝えようとしていることを誤って伝えてしまうことがあるのと同じように、出力にどのような留意点があるのかを把握できることが非常に重要になるからです。つまり、そこには主張の平均値やばらつきが存在し、何が伝達され、何が省略されうるのかを正確に理解できる必要があります。実際、私たちが得ている情報の多くは、部分的にしか観測できないものです。なぜなら、LLMや他のエージェントがすでに私たちの代わりにその情報を消化してしまっており、私たちはすべての情報を実際に目にしているわけではないかもしれないからです。
三つ目に、埋め込みの統合(reconciling embeddings)という課題があります。私たちにはこうした構造がすでに存在しています。休憩中にアイシン氏とも話していたのですが、埋め込みはあらゆる場所で使われている一方で、私たちには構造化された知識ベースも存在します。この二つをどのように統合すればよいのでしょうか。密な埋め込み(dense embeddings)については、ある程度は解決可能だと言えます。NLPという観点では、文脈や語用論的な理解を必要とせずとも、人々が何を言っているかをある程度理解できるという意味で、すでにいくぶん解決済みだと言えるでしょう。しかしIRにおいては、より多様な情報を見出すためにマルチベクトル表現を用いた生成的な作業を数多く行っています。ですが、単なるマルチベクトルだけでなく、分布的な発想、すなわち情報の点群(point cloud)を持ち、それに対して計算を行うことができるようにすべきかもしれません。これは特にクエリに関して重要ですが、それらが時間とともにどのように変化していくかを把握するためにも重要です。たとえば、私たちがLLMに何かを指示し、それを実行させた後で、「いや、少し違う、これを変えてほしい」と伝えたとき、複数回のやり取りにわたる指示追従は、実はあまりうまく機能しないのです。
4.3 オープンデータ基盤の危機:エージェントによるアクセス集中と、プライバシーの多段階問題
続けてお話ししたいのは、私がドイツで開催されたシュロスホーフ(Schloss Dagstuhl的なシンポジウム)という会議に参加した際の経験です。これはDBLPやSemantic Scholarといった、オープンなデータインフラに関するシンポジウムだったのですが、驚くべきことに、これらのシステムはエージェントからのアクセスによって、まさに「死にかけている」状態にあるということが分かりました。エージェントたちは、ACMアンソロジーやACMデジタルライブラリを文字通り叩き続けているのです。というのも、今や一人のユーザーによる一つのクエリが、これらすべてのデータソースに対しておよそ50から60もの問い合わせを発生させているからです。これらのシステムは、そのようなアクセス量に対応することができません。そして、このまま推移していけば、最終的にはアクセスの99%がエージェントによるものになり、実行主体としてのエージェント、あるいは人間によって直接実行されるアクセスは、わずか1%程度になってしまうでしょう。そうなったとき、私たちはどうやってそのすべてを支えるインフラを構築すればよいのでしょうか。エージェントを一体立ち上げるためのコストは、今やほぼゼロにまで下がっているため、この問題は決して簡単なものではありません。
さらに、これは適切なプロトコルを構築し、サービスの品質を担保するという課題にもつながります。というのも、私たちの周囲にはプライベートなデータと公開されたデータの両方が存在するからです。たとえば、私は自分のLinkedInの連絡先情報を私と共有することについてはよいと思うかもしれませんが、それをエージェントや、そのエージェントのエージェント、さらにそのまたエージェントと共有することについては、必ずしもそう思わないかもしれません。あるいは私の医療情報について考えてみますと、私はそれを主治医に伝えることには抵抗がありませんが、その主治医がその情報をあるLLMに共有し、そのLLMがさらに別のデータストリームへとそれを共有していくとなれば、それは必ずしも望ましいこととは言えません。つまり、一次的、二次的なアクセスの隔たりや、いわゆる「隔たりの次数(degrees of separation)」というものが、将来のIRを考えるうえで一体何を意味するのか、という問いが浮かび上がってくるのです。
5. 結論と質疑応答:認知能力の退化とケンタウロス型協働
5.1 MITの実験、チェスにおける「ケンタウロス」モデル、情報リテラシー継承の重要性、締めくくり
先ほど、司会のシー氏から、私が学部教育担当の副学部長を務めているという紹介をいただきましたが、私たちの大学、NUSには非常に大規模な学生の集団があり、私たちは彼らの教育に携わっています。そして今、私たちはAIに関する、これまでで最大級の自然実験の一つに参加している最中だと考えています。皆さんの中には、12月31日にMITから発表されたプレプリントをお読みになった方もいらっしゃるかもしれません。その研究では、学生たちにエッセイの課題を与え、四回にわたる執筆セッションを行わせました。あるグループはLLMを使い、あるグループは検索エンジンを使い、またあるグループは自分自身の頭脳だけを使ってエッセイを書くというものでした。そして興味深いことに、四回目の最終セッションでは条件が入れ替えられました。それまでLLMを使っていた学生たちは、今度は自分の頭脳だけを使うことを強いられ、逆にそれまで自分の頭脳だけを使うことを強いられていた学生たちは、今度はLLMの使用が許されました。さて、その結果はどうだったのでしょうか。ここで結論だけをお伝えしますと、私たちが今、LLMやAIをさまざまな用途に使うようになっている中で、私たちはおそらく、まだ検証されていない、査読も経ていないような形で、認知的な深さというものを損なわせている可能性があるということです。つまり、私たちは自分たちが行うべき多くのことをエージェントに外部委託してしまっており、その結果、知らず知らずのうちに、私たちの認知の「筋肉」を萎縮させてしまっているかもしれないのです。そして、もしこれを真剣に考えるならば、これは非常に深刻な問題だと言えます。
もし私たちの究極的な目標が、いつでも必要なときに情報へ迅速かつ制約のないアクセスを得ることであり、そして、1960年代に人間が計算尺を使って計算する必要がなくなり、「人間コンピュータ」という職業が姿を消していったのと同じように、情報検索という研究分野そのものを、いずれは不要なものとして切り捨ててしまってよいのだとすれば、それはそれでよいのかもしれません。しかし、もし私たちが、情報リテラシー、すなわち何が真実で何がそうでないかを見極める能力こそが、私たちという存在の中核的な部分であると考えるのであれば、私たちは人々をこのプロセスに置き去りにしないよう、きちんと連れ添っていく必要があります。
ここで、一枚の絵をご覧いただきたいのですが、これはケンタウロスの絵です。これは昨日、Nano Bananaによって作成されたものです。ケンタウロスとは、人間とAIエージェントから成るチームを表しています。これはもともとチェスの世界で使われるようになった用語です。そしてチェスの世界では、2026年の時点において、人間とコンピュータのチームがもはやコンピュータ単体の性能を上回ることができなくなった、ということが分かっています。これは、非常に言いにくいことではあります。私たちは、人間のスキルをこのプロセスに確実に伴走させていく必要があります。なぜなら、私たちは、情報へのアクセスや、その質を評価するという能力こそが、人々が担うべき重要な活動であると考えているからです。
さて、これで私の講演は終わりです。私たちは現在、ポスドクや博士課程の学生を募集しております。もしご興味をお持ちの方がいらっしゃいましたら、ぜひご参加いただければと思います。スライド資料をスキャンし、最後のスライドに掲載しているQRコードを読み取ってください。実は結論の部分をまだ話し終えていないのですが、これは明らかに、私たち全員で一緒に取り組んでいくべき課題だという呼びかけとして受け止めていただければと思います。どうもありがとうございました。
5.2 質疑応答セッション:エージェント間コミュニケーション設計、認知的退化のコストの可視化、苦労を惜しまない者だけがAIの恩恵を受けられるという指摘
刺激的な講演をありがとうございました、ミアン教授。皆さんの中で新たな疑問が湧いた方や、何かお答えできることがある方は、どうぞ遠慮なく手を挙げてください。それでは、まず私から一つ質問をさせていただきたいと思います。
先ほど教授がおっしゃっていた、「情報検索の利用者はもはや人間ではなくなりつつある」という言葉が印象に残っています。そこには何らかの人工的な存在が関わってくることになりますが、情報検索ツールと生成との間のコミュニケーションがどのように設計されるかは、人間同士のコミュニケーションのあり方とはまったく異なるものになるかもしれません。たとえば、最近では潜在空間でのコミュニケーション(latent communication)という考え方が注目を集めていますが、この分野は今後どのように発展していくと考えられますか。
これに対して講演者は、それは非常に良い指摘だと述べ、私たちにはエージェント同士がコミュニケーションを取るための、より優れた「黒板(blackboard)」構造が必要になるだろうと答えました。エージェント同士が互いにやり取りの仕方を交渉し始めるケースは数多く存在しますが、その多くは、すでに普及している標準規格や、公開の場に大量のデータが存在する形式によって主導される傾向があると述べました。たとえば、JSONやpandasのデータフレームの形で疑似コードを書くという方法は、そうしたデータが豊富に存在するために、うまく機能する傾向があるとのことです。ただし、それらが実際にどのように「理解」されるのかという点については、人間同士の間でも見られるのと同じような困難が生じるだろうと述べました。つまり、あるエージェントと別のエージェントが、同じ用語について暗黙のうちに異なる定義を持っている場合があるということです。たとえば、「disease」という言葉を属性値として用いたとしても、あるコーディング体系ではUMLSにおける特定の意味を持つ一方で、別のシステムではSNOMEDのような別の体系における意味を持つかもしれません。こうした食い違いは、人間同士の間でさえ乗り越えるのが難しい問題であり、機械のエージェント同士であっても、それが異なるものになるとは思えないと述べました。
続けて、別の聴衆から質問が寄せられました。教授が講演の中で述べていたように、現在では次々とエージェントの上にエージェントを重ねていくスキャフォールディングが行われており、エージェントを立ち上げるコストが非常に低くなっているために、人々は本来の意味でのマネージャーとして振る舞うというよりも、ただ次々と新しいことに手を出しているように見えます。この質問者は、物事が安価になると、私たちはショートカットを取るようになり、社会全体もそれに適応してしまうと指摘したうえで、こうしたことすべてに何らかのコストが伴うということを、どうすれば示すことができるのか、特に、教授が最後に触れていたような、認知の衰退というコスト、つまり人間の能力そのものが低下していくという問題について、どうすれば一般社会にそのコストの存在を理解してもらい、人間の理解力をAIの活用とともに協働して育んでいくことができるのか、と尋ねました。
これに対して講演者は、それは素晴らしい質問であり、この会場にいる多くの人々がぜひ取り組んでいってほしい課題だと述べました。そのうえで、いくつかの萌芽的な考えを共有しました。まず、こうした問題への「気づき」を促すこと自体が、私たちが取り組むべき活動の一部であるということです。倫理のような、必ずしも利益に直結しない領域は後回しにされがちですが、そうした領域を積極的に開発すべき対象として捉え、それを一種の企業の社会的責任(corporate social responsibility)として位置づけることが、一つのインセンティブになりうると述べました。もちろん、それだけが唯一の方法ではないとも付け加えました。たとえば、多くの親が、子どもがどれほど欲しがっても、スマートフォンを与えないという選択をすることがあります。それは、集中力への影響など、何らかの弊害があると考えているからです。これと同じように、今後AIの普及という、ある意味で不幸な、あるいは避けがたい自然実験が進行していく中で、私たちはその影響を目の当たりにすることになるだろうと述べました。もし成人である私たちの実行機能(executive function)が損なわれていないのであれば、それはそれでよいのかもしれませんが、次の世代については大いに懸念していると語りました。講演者自身、学部教育担当の副学部長として、新しく入ってくるソフトウェアエンジニアたちについて懸念しており、また、文献レビューやサーベイをすべてエージェントに外部委託してしまっている大学院生たちについても懸念していると述べました。彼らは表面的な理解は得られるかもしれませんが、実際に掘り下げてみると、そこには実質的な中身が欠けているというのです。
講演者は、こうした状況から見えてくるのは、安易に外部委託をせず、地道な努力を惜しまなかった人たちこそが、最終的にAIをより効果的に活用できるようになるということだと述べました。つまり、結局のところ、AIの恩恵を受けるのはそうした人たちであり、AIによって割を食う人たちとの間に差が生まれるということです。しかし、それをどうやって促していくかは非常に難しい課題です。講演者自身、10代の子どもを持つ父親として、多くの人が経験してきたであろう苦労を語りました。「野菜を食べなさい」「姿勢を正しなさい」といった親からの助言に耳を傾けるのが難しいのと同じように、これは多くの人にとって受け入れがたいことだと述べました。同様に、大学院生や駆け出しの研究者にとっても、いつディープリサーチを活用すべきで、いつ自分自身の直感を信じるべきか、その境界線がどこにあるのかを見極めることは難しいことだと述べました。講演者は、これを「認知的な柔軟体操(cognitive flexing)」と呼び、そうした筋肉を鍛えておかなければ、自分自身で物事を行う力を育てることができず、結果として自分の成果を「コモディティ化」してしまうことになると警告しました。つまり、LLMを使えば誰にでもできることと同じ結果しか出せなくなってしまい、自分自身の洞察には何の価値もなくなってしまうというのです。
素晴らしい質問をありがとうございました、と講演者は締めくくりました。他に質問がなければ、これで午前のセッションを終わりにしたいと思います。改めて、講演者の方に感謝を申し上げます。皆様、ありがとうございました。